面向分布式独立风力发电机的行为感知联邦预测框架
机器学习
2026-03-06 v1
摘要
准确的短期风力发电预测对于电网调度和市场运营至关重要，但集中化风机数据会引发隐私、成本和异构性等顾虑。我们提出了一个两阶段的联邦学习框架：首先通过双色球选择(DRS)初始化结合递归Auto-split细化对风机进行聚类，以其长期行为统计信息为依据；随后通过FedAvg训练每个簇的特定LSTM模型。实验在丹麦400台独立风机上表明，DRS-auto能够发现行为一致的风机群体，并在保持数据局部性的同时实现竞争性的预测精度。行为感知的分组始终优于地理分组，且与强大的k-means++基线相当，这表明该方法为异构分布式风机编队提供了一种实用的隐私友好型解决方案。
引用
@article{arxiv.2603.05263,
title = {A Behaviour-Aware Federated Forecasting Framework for Distributed Stand-Alone Wind Turbines},
author = {Bowen Li and Xiufeng Liu and Maria Sinziiana Astefanoaei},
journal= {arXiv preprint arXiv:2603.05263},
year = {2026}
}